ANALISIS PERBANDINGAN K-MEANS DAN K-MEDOIDS UNTUK SEGMENTASI PRODUK BERDASARKAN DATA PENJUALAN

Abstract

Data penjualan produk dapat dimanfaatkan untuk mengidentifikasi karakteristik transaksi dan mendukung pengambilan keputusan terkait persediaan serta pemasaran. Namun, data transaksi yang digunakan dalam penelitian ini belum dikelompokkan berdasarkan karakteristik penjualannya sehingga pola kemiripan antartransaksi belum terlihat secara sistematis. Kondisi tersebut menjadi dasar penerapan teknik klasterisasi untuk membentuk kelompok berdasarkan atribut numerik yang tersedia. Penelitian ini secara khusus membandingkan kualitas hasil klasterisasi algoritma K-Means dan K-Medoids pada dataset penjualan yang sama. Perbandingan dilakukan dengan menggunakan atribut jumlah order, harga, dan total penjualan, serta mengevaluasi jumlah klaster K=2 sampai K=7 menggunakan Davies-Bouldin Index (DBI). Tujuannya adalah mengetahui nilai K yang menghasilkan DBI terendah pada masing-masing algoritma dan membandingkan hasilnya pada dataset penelitian. Hasil evaluasi menunjukkan bahwa K-Means memperoleh DBI terendah sebesar 0,429 pada K=4, sedangkan K-Medoids memperoleh DBI terendah sebesar 0,875 pada K=6. Karena DBI yang lebih rendah menunjukkan kualitas pemisahan klaster yang lebih baik, hasil tersebut menunjukkan bahwa K-Means menghasilkan nilai DBI yang lebih rendah daripada K-Medoids pada dataset penelitian ini. Temuan ini menjadi bukti empiris pada dataset yang digunakan, bukan kesimpulan bahwa K-Means selalu lebih baik untuk semua dataset